大多数应用程序都使用预处理阶段来处理图结构数据,预处理阶段将图结构信息映射为更简单的表示,比如实数向量。但是,在预处理阶段,节点n上信息的拓扑依赖性等重要信息可能会丢失,最终结果则会不可避免的受到预处理信息丢失的影响。因此,有一些提出的方法首先避免了图数据的预处理,然后使用基于列表的数据处理技术处理预处理数据,而不是特别关注数据的底层图结构性质(这里也没太理解)。换句话说,这些最近的方法试图在数据处理步骤中结合图形结构信息。在关注图的方法中,这是通过递归神经网络来完成的(即上一篇论文中提到的),而在关注节点的方法中,这通常是通过使用随机游走技术(random walk)来完成的。
本文提出了一种新的神经网络模型,它既适用于图的应用,也适用于节点的应用。
符号声明和预备知识![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/54a09b7baf8bc5629b0396ec8813cce0.png#pic_center)
Labels这里指的应该是特征的意思。
本文提出的图神经网络是基于不动点定理和压缩映射的。
- 不动点:存在X使得X=g(x),该X称为不动点。不定点存在的充分条件是,函数g是压缩映射。
- 压缩映射&#x